我想为标量和向量实现一个一般的高斯函数。在Ada或C++中,我只是选择模板,但在Haskell中,这有点让人费解。
首先,定义一个可以应用高斯运算符的类,例如组合或计算概率:
class Gaussian g where
(!*) :: g -> g -> g
prob :: g -> a -> Float -- Here, I want a to be depending on g
data Gaussian1D = Gaussian1D Float Float
data Gaussian2D = Gaussian2D (Linear.V2 Float) L
我试图使用以下算法实现图像扩展:
1. Zero pad: Put a zero pixel between two pixels
2. Convolve with a column vector of a Gaussian, and multiply by 2
3. Convolve with a row vector of a Gaussian and multiply by 2
4. Return blurred image.
下面是我使用的代码(我用3表示guassian大小):
def expand(im, filter_size):
''' Takes
我正在创建一个新的库仑到一个现有的数据火花,通过搜索一个已归档的“脚本”,并返回匹配作为新列的条目。
import re as re
def sw_fix(data_str):
if re.compile(r'gaussian').search(data_str):
cleaned_str = 'gaussian'
elif re.compile(r'gromacs').search(data_str):
cleaned_str = 'gromacs
有人能给我解释一下为什么我的代码不能正常运行吗?我很久没有使用python了,忘记了很多东西,我不知道出了什么问题,请帮帮忙。下面是我的代码和结果:
def my_gaussian(x, mu=0, sigma=1):
"""
Compute the Gaussian function.
Parameters
----------
x : float or array
A single value or an array of values for which the Gaussian will be
eval
我使用的是Idris 2 v0.3。我不明白为什么编译器找不到Distribution的Gaussian在
interface Distribution dist where
mean : dist -> Double
data Gaussian : Type where
MkGaussian : Double -> Gaussian
Distribution Gaussian where
mean (MkGaussian mean') = mean'
KnowledgeBased : Distribution d => (d : Typ
目前,我有以下代码
def approx_binomial(n, p, size=None):
gaussian = np.random.normal(n*p, n*p*(1-p), size=size)
# Add the continuity correction to sample at the midpoint of each integral bin.
gaussian += 0.5
if size is not None:
binomial = gaussian.astype(np.int64)
else:
#
我正在实现用于分类识别分析的“气泡算法”。在此算法中,我们必须使用高斯圆来制作掩模。圆的中心将是1(255),并且它将在半径为0的范围内减小。我有问题,当我把圆圈在彼此之间创建蒙版时,它会在圆圈之间放一条黑线,我无法删除它。这是我的代码:
def make_gaussian(circle_center, Gaussian_base):
for t in range(circle_center[1] - radius, circle_center[1] + radius):
for tt in range(circle_center[0] - radius, circle_center[
我试着找到这个问题的答案,也许它很简单,这就是为什么我不能。
如果我制作了一个高斯函数,并且我想用Matplotlib.pyplot.plot绘制它,那么我如何使用浮点值来绘制它呢?即来自-20<=x<=20的值,增量为0.1
import matplotlib.pyplot as plt
import math
from math import exp
import numpy
#Parameters for the Gaussian
A=1
c=10
t=0
a=1
x=[]
p=-20.
while p<=20:
x.append(p)
p+=0.
我正在尝试编写一个方法来生成高斯整数的高斯因子序列-高斯整数要么是正常整数,要么是复数g = a + bi,其中a和b都是整数,高斯整数g的高斯因子是高斯整数d,使得g / d也是高斯整数。
我有下面的代码。
def is_gaussian_integer(c):
"""
Checks whether a given real or complex number is a Gaussian integer,
i.e. a complex number g = a + bi such that a and b are integer
我试图拟合一些高斯人,对于初始参数我已经有了一个很好的想法(在这个例子中,我正在生成分布,所以我应该总是能够适应这些分布)。然而,对于两个高斯人,我似乎不知道如何强迫平均值为0。有可能吗?m.means_ = ...不起作用。
from sklearn import mixture
import numpy as np
import math
import matplotlib.pyplot as plt
from scipy import stats
a = np.random.normal(0, 0.2, 500)
b = np.random.normal(0, 2, 800)
obs
我正在尝试将高斯函数拟合到一些数据,但我想返回'center‘和'width’值并打印它们。但是,代码返回一个ValueError,因此没有绘图。从高斯函数的返回行中删除'center‘和'width’可以解决这个问题,但我不知道如何从拟合中获得这些值(以及如何让代码在拟合后将它们打印为输出)。有什么建议吗? 代码错误: import matplotlib.pyplot as plt
import pathlib
import os
from scipy.optimize import curve_fit
#Data
data = np.loadtxt(&
我有一个名为gaussian_array的数组,它由一系列数字组成,一旦绘制出来,就会形成一个近似的高斯数组。我需要理解这个高斯的\sigma,但我不允许使用任何形式的fit。到目前为止,我所尝试的是计算高斯的峰值,它是由阵列的第一个元素(高斯以原点为中心) gaussian_array[0]给出的,然后不知何故我认为使用\sigma和FWHM之间的众所周知的关系可能会很有用。但是,我不知道如何在python中实现这一点。我认为写一些像这样的东西可能会很有用
for i in range(len(gaussian_array)):
if gaussian[i] = FWHM: